基于Stixel-world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。

基于Stixel的城市环境立体视觉场景表达

正确的环境感知是自主车实现自主导航的重要前提。立体视觉在城市环境感知中具有重要的应用前景。相对于传统的基于像素视差的场景表达方式,棒状像素(Stixel)能够简化复杂的场景表达,提高后续处理速度,为进一步的场景理解应用提供有效支撑。介绍了Stixel构造的基本原理,并添加了Stixel视差计算过程,通过使用动态规划有效地提高了Stixel的视差精度。实验结果表明,改进后的Stixel算法具有准确率高,整体显示效果更平的特点,为后续物体跟踪和运动估计等应用提供了基础。

基于棒状像素的前景障碍物识别算法

障碍物分类是智能交通应用的核心功能。本文提出了一种探测和识别道路场景下车辆与行人的算法。首先,建立棒状像素(Stixel)并由图像坐标转换至世界坐标,投影生成鸟瞰图;然后,借助聚类算法,得到原图像中待识别区域;之后,提取灰度稠密尺度不变特征变换(gray-DSIFT)特征并利用费歇尔向量(FV)编码;最后,选用随机森林(RF)分类器区分前向车辆与行人。实验结果表明:提出的方法能够有效地区分前景障碍物中出车辆与行人,提高了前期探测障碍物的效率。

用于智能车的棒状像素场景表达方法研究

交通场景的视觉感知问题是自动驾驶领域的重点研究内容.针对自由空间的检测容易受地形条件影响的问题,提出一种新颖简单的方法来构建棒状像素(Stixel)模型,实现交通场景表达.区别于传统的棒状像素提取方法,本文方法不估算地平面模型,而是根据U视差的性质,直接将地面相关点和背景相关点从U视差空间中去除,得到的U视差图被重新投影回视差图,从而确定前景障碍物的基点和顶点.U视差空间中相关点的压缩、剔除、重投影的过程,能够消除视差偏差点带来的影响,使得距离估计更加准确.实验结果表明,提出的方法在多类场景下可以准确构建棒状像素模型,棒状像素提取精度及运行速度较传统方法有提高,而且不受地形条件和对象类别的约束.

障碍物检测与车辆视觉定位一体化的方法研究

在自动驾驶的研究中,障碍物检测与车辆视觉定位一直是2个研究热点。针对在目前的自动驾驶解决方案中,障碍物检测与车辆视觉定位是被完全划分为2个模块单独完成的,部分计算得到的模块并未实现最佳的利用这一缺陷,提出了以立体匹配恢复出的视差图为节点,左右目影像间进行障碍物检测,前后帧之间以图像点匹配计算得到的位姿作为初值,辅助利用三角化方法恢复出点云,完成车辆的定位,构建了障碍物检测与车辆视觉定位的一体化系统,实现了对立体匹配结果的双重利用。在自动驾驶开源数据集上进行测试,障碍物检测具有较好的检测结果。里程计均方根误差为0.012766 m,全程轨迹误差平移百分比为0.4%,在精度上取得了较好的效果,且具有更强的鲁棒性。

基于棒状像素与随机森林的道路场景理解

本文针对棒状像素(Stixel)在表达障碍物时缺少语义信息的问题,提出了一种生成棒状像素级类别标签的方法。通过颜色、纹理和几何高度特征的联合,推断出像素级语义标签,即障碍物大类、植物与天空。将棒状像素位置信息融合至像素级语义图,用类别标签来优化每个棒状像素的顶点估计后,后以其内部像素的优势类来判定类别,得到语义棒状像素图。分类器选用能够快速推理且具抗过拟合能力的随机森林(RF)分类器。实验结果表明,本文提出的方法能够有效地对棒状像素进行语义表达,在一定程度上优化棒状像素在纹理缺失区域的高度估计。